《Placenta》:Machine learning in placental research: a review and guide for future studies
编辑推荐:
机器学习(machine learning)是并将继续成为现代胎盘生物学(placental biology)研究不可或缺的组成部分。在此,研究人员概述在胎盘生物学及总体生物医学研究(biomedical research)中开展可重复机器学习研究的分步方案。
机器学习(machine learning)是并将继续成为现代胎盘生物学(placental biology)研究不可或缺的组成部分。在此,研究人员概述在胎盘生物学及总体生物医学研究(biomedical research)中开展可重复机器学习研究的分步方案。改进研究设计(study design)和数据共享(data sharing)对于增强机器学习方法超出单个研究之外的影响力、覆盖范围和转化应用是必要的。
研究背景与意义:机器学习(machine learning)是计算机科学分支,根植于模式识别,是人工智能(artificial intelligence, AI)中使算法不依赖显式指令而学习数据模式的部分,其核心基于统计并旨在识别现有数据中可推广的模式以推断新数据。近年来,机器学习在生物医学研究中的应用快速增加,用于临床与转化研究中的诊断和预后、分子生物学中的基因组与序列分析、功能元件识别、基因和蛋白质功能预测、蛋白质结构推断以及药物发现等。随着生物医学研究转向大规模多组学(multi-omics)数据,传统统计方法在样本量较小、测量维度极高、相互作用复杂的数据中面临建模假设挑战;早期差异表达或通路富集分析虽有效,但难以整合多类数据。机器学习更适合识别大规模多组学数据中的复杂模式,但必须认识其陷阱与限制。生殖生物学中,研究人员日益关注利用分子和临床数据研究胎儿发育、胎盘生物学(placental biology)和妊娠结局。该综述因此概述与胎盘研究相关的机器学习概念和方法,检查利用机器学习预测和分类妊娠期胎儿与胎盘健康的最新进展,重点关注多组学数据,并讨论设计、实施和评估机器学习的重要考虑与最佳实践;其原则也广泛适用于生物医学研究。
研究人员开展的研究与结论意义:该文为综述和未来研究指南,而非原始实验研究。研究人员总结认为,机器学习已经并将继续成为现代胎盘生物学研究的重要组成部分;开展可重复机器学习研究需要分步设计;改进研究设计和数据共享对于提高机器学习方法的影响、覆盖范围和转化应用是必要的。其重要意义在于为胎盘生物学和一般生物医学研究提供可重复机器学习研究框架,强调研究设计、验证、可解释性和开放科学。
关键方法概括:该文为综述与指南,未开展新样本队列。研究人员通过文献综述与概念整合,概述机器学习输入数据类型、特征选择、训练/测试/验证划分、偏倚与公平、回归/分类/无监督/神经网络算法、模型输出与评价;审查胎盘基因组学、片段组学、表观基因组学、转录组学、蛋白质组学和代谢组学应用;提出七步最佳实践,并讨论可重复性、代码与数据共享及FAIR原则。归纳文献涉及胎盘组织、母体血浆或血清、公共数据集及独立队列等来源。
研究结果:
机器学习输入数据和研究设计。机器学习输入:模型输入变量称为特征(features),包括基因组、表观基因组、转录组、蛋白质组、代谢组、临床数据和医学影像等。模型目标是泛化到独立数据,其可靠性取决于输入数据质量与一致性;模型会学习真实生物学、技术伪影或处理不一致造成的模式。多组学数据通常需质量过滤、标准化和批次校正。参考基因组和注释选择影响可重复性,例如胎盘基因组分析仍常用GRCh37(hg19)或GRCh38(hg38),尚未广泛采用CHM13或泛基因组参考;坐标和注释不能总能准确转换。转录组和表观组学中常用测量也不能简单假定跨样本可比。代谢物鉴定受同分子质量分析物限制,命名需报告HMDB、PubChem或KEGG等标识。研究人员建议采用spike-in对照并提前考虑数据集、注释和参考框架兼容性。
特征选择:特征工程和特征选择可减少冗余、提高模型性能并降低过拟合,但被选特征不应自动解释为生物学显著;其选择依赖数据集、预处理和模型参数,宜作为模型性能工具,并在独立数据中作为候选生物标志进一步研究。
研究设计和数据划分:样本采集、队列组成和测序平台差异会影响模型。生殖和胎盘研究常来源于较小临床人群且疾病表现异质。建立一致可靠的ground truth(真实标签或结局)至关重要;模型不能超过训练标签的准确性。数据通常划分为训练、测试和验证集,训练集常用60%–80%,测试和验证数据须独立以防数据泄漏(data leakage),并考虑分层采样以保持疾病组和变量分布。
偏倚和公平:偏倚(bias)指数据中系统性不平衡,可能使模型学习群体特异而非生物学模式;公平(fairness)指模型性能在目标人群中一致且不系统性损害特定群体。评估需考虑队列组成并分群体报告灵敏度、特异性等指标。
机器学习方法。回归模型:监督学习算法预测连续结局,如出生体重或估计胎儿质量。线性回归、岭回归、LASSO和弹性网可用于建模和特征选择;岭回归适合相关变量,LASSO可剔除信息少的特征,弹性网结合二者但需更多调参。分类模型:预测分类结局,如疾病有无。逻辑回归、朴素贝叶斯、K近邻(k-nearest neighbors, KNN)、支持向量机(support vector machines, SVM)、决策树、随机森林和梯度提升等算法各有假设和可解释性。分类与预测不同:分类将样本归入预定义组,预测估计尚未发生的结局,需在结局发生前采集数据。无监督模型:不需预定义分组,用于聚类、降维、可视化、亚型识别、异常检测和批次效应评估。主成分分析(principal component analysis, PCA)识别线性主成分;t分布随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)和均匀流形逼近与投影(uniform manifold approximation and projection, UMAP)用于非线性可视化;k-means、基于密度的含噪空间聚类(density-based spatial clustering of applications with noise, DBSCAN)、点排序识别聚类结构(ordering of points to identify the clustering structure, OPTICS)、均值漂移和层次聚类用于聚类;单类SVM、局部离群因子和孤立森林用于异常检测,但在胎盘多组学中尚未广泛采用。人工神经网络:可自动提取特征并检测复杂模式,是深度学习基础,适用于图像、序列、图数据等,包括卷积神经网络(convolutional neural networks, CNN)、循环神经网络(recurrent neural networks, RNN)、图神经网络(graph neural networks, GNN)和大语言模型(large language models, LLM)。但其需专业知识和大量样本,常被称“黑箱”,易过拟合;在胎盘多组学小样本中,简单模型可能更合适。
模型输出和评估:回归模型输出连续预测,分类模型输出离散类别。特征重要性反映模型贡献而非生物学相关性;候选生物标志需独立验证和功能表征。性能指标包括准确率、灵敏度、特异性、受试者工作特征曲线下面积(area under the receiver operating curve, AUROC)等,应在训练前根据应用选择,并使用多个指标和独立验证数据。AUROC可能高估罕见病例识别能力;类别不平衡时F
1、F
β、马修斯相关系数(Matthews Correlation Coefficient, MCC)或精确率-召回率曲线下面积更有信息。
胎儿健康的分类和预测。胎盘基因组学和片段组学:机器学习主要用于改善无细胞DNA测序用于非侵入性产前检测(non-invasive prenatal testing, NIPT)的解释。研究显示,分类算法可相对胎儿核型分析适度改善非侵入性三体分类,贝叶斯框架和随机森林可用于单基因病遗传推断。无细胞胎盘DNA(cell-free placental DNA, cfpDNA)片段模式和末端motif反映核小体定位和染色质可及性,机器学习与特征选择可识别子痫前期、早产等片段组学特征,但研究较小且性能因队列和结局而异。测序深度、基因组覆盖和cfpDNA比例影响模型性能。
胎盘表观基因组学:DNA甲基化是常用表观标志。机器学习用于识别与母亲吸烟、子痫前期、神经发育结局、肥胖和新生儿阿片戒断综合征相关的差异甲基化CpG。胎盘表观时钟可估计胎盘生物学年龄和发育成熟,加速胎盘老化与妊娠并发症相关。DNA甲基化也用于细胞类型去卷积,估计胎盘细胞群体相对丰度;cfpDNA甲基化特征提示非侵入性产前预测潜力。
胎盘转录组学:这是机器学习在胎盘生物学中研究最广泛的应用。方法用于bulk RNA测序、微阵列、无细胞RNA测序和单细胞转录组,结合LASSO、随机森林和SVM识别与子痫前期、妊娠期糖尿病、宫内生长受限、复发性自然流产和母亲吸烟相关表达签名,涉及免疫通路、核糖体生物发生等。无细胞RNA可用于预测子痫前期、妊娠期糖尿病和早产;单细胞转录组可识别细胞类型特异变化;无监督学习可识别子痫前期分子亚类。纵向方法可能识别临床前早期变化,但需独立验证。
母体和胎盘蛋白质组学与代谢组学:蛋白质组学和代谢组学用于识别妊娠并发症和孕龄生物标志。蛋白质组分析增进了对子痫前期炎症和免疫活动的理解;血清细胞和蛋白质组可用弹性网回归预测孕龄;整合细胞术、蛋白质组和代谢组可识别分娩前2–4周从妊娠维持向临产生理转变。小样本和训练数据变异会导致候选生物标志不一致。罕见先天性代谢错误尚未用机器学习改善产前诊断;妊娠期糖尿病和大于胎龄儿(large for gestational age, LGA)中,脂质组谱可改善预测。
设计机器学习研究的最佳实践。步骤1定义生物学问题:明确要理解或预测的生物学过程、疾病或临床结局,并确定机器学习是否必要;应用包括生物标志发现、风险分层、疾病分类、临床预测和亚组识别。问题应指导数据类型、纳入标准、队列组成和采样;预测研究需在疾病发生前前瞻采集样本,回顾性分类可用分娩后胎盘组织。步骤2选择评分指标:指标应反映预期生物学或临床用途,临床预测需考虑阳性/阴性预测值、灵敏度和特异性;筛查模型常优先高灵敏度和阴性预测值,假阳性代价高时优先特异性和阳性预测值。不平衡数据宜报告F
1、F
β、MCC或精确率-召回率曲线下面积。步骤3收集高质量数据:样本需求取决于特征数、信噪比和算法复杂度;模拟研究提示至少120–200个高质量样本以防过拟合,独立验证常比训练集大小更重要。临床结局标签需用清晰可重复标准。数据应划分训练、测试和验证,防数据泄漏,分层采样,登记数据划分。域适应(domain adaptation)可用于分布不同但结构相似的数据,但易致数据泄漏,通常不作为严格验证。类别不平衡可用过采样、欠采样、权重或合成少数类过采样技术(Synthetic Minority Oversampling Technique, SMOTE)。步骤4选择正确模型:需平衡数据特征、生物可解释性和计算效率;小样本宜用简单模型。步骤5选择最重要特征:常用LASSO或岭回归排序,数量取决于样本量、模型复杂度、资源和目的。步骤6训练和测试模型:训练使算法拟合训练集,超参数(hyperparameters)需在最终训练前优化;交叉验证(cross-validation)常用于调参,网格搜索、随机搜索或贝叶斯优化可用于搜索。步骤7评估模型泛化性:用未参与分析的数据评估,保留测试集、独立队列或外部验证依次增强严格性;验证失败不一定表示研究失败,可提示队列、预处理、特征选择或模型复杂性问题。
可重复性、数据共享和未来方向:可重复性是机器学习研究基石。需透明报告预处理、归一化、特征选择、模型选择、调参和性能评估,并提供源代码、软件和包版本。数据共享对累积科学至关重要,因有效模型开发常需超过单个研究的样本量;新胎盘数据集应尽可能存入公共库,并附详细元数据和样本采集信息,遵循可查找、可访问、可互操作、可重用(findable, accessible, interoperable, reusable, FAIR)原则。未来应强调方法学严谨和具有临床意义的预测,从回顾性分类扩展到疾病发生前的前瞻性预测。循环胎盘和母体因子如cfpDNA、cfpRNA、蛋白质、代谢物和细胞外囊泡是有前景但未充分探索的候选标志物,需研究健康妊娠中的基线变异。改进研究设计、严格验证和开放数据共享将加速机器学习方法转化为临床护理工具并深化对胎盘生物学的理解。
讨论总结与结论翻译:讨论部分强调,胎盘研究数据常小、异质且来自不同实验平台,因此透明报告、一致且合理的方法学选择、源代码和软件版本公开、数据共享与FAIR原则,是提高可重复性、独立验证、跨队列比较和临床转化的必要条件。结论翻译如下:未来在胎盘研究中应用机器学习应强调方法学严谨性和具有临床意义的预测。最佳实践,包括标准化报告、验证以及透明的代码和数据共享,将继续提高可重复性。尽管回顾性分类将继续促进对胎盘疾病机制和亚型的理解,但一个重要目标是使机器学习扩展到在疾病发生前对妊娠并发症进行前瞻性预测。循环胎盘和母体因子,如cfpDNA、cfpRNA、蛋白质、代谢物和细胞外囊泡,是有前景但尚未充分探索的不良妊娠结局标志物候选物,未来工作需更好地定义其在健康妊娠中的基线变异性。改进研究设计、严格验证和开放数据共享有可能加速将机器学习方法转化为能够有意义地指导临床护理并加深研究人员对胎盘生物学理解的工具。